位置敏感哈希Locality-Sensitive Hashing

最新推荐文章于 2022-08-12 10:05:45 发布

zwwkity

最新推荐文章于 2022-08-12 10:05:45 发布

阅读量6.5k

点赞数 1

分类专栏： Hashing技术图像、视频检索

本文链接：https://blog.csdn.net/zwwkity/article/details/8559301

版权

本文介绍了图像检索中的位置敏感哈希（LSH）技术，用于处理高维特征空间的近似最近邻搜索问题。LSH通过哈希函数保持原始空间中的距离相似度，使得相近的点在低维空间中仍有较高概率碰撞。内容涵盖了LSH的基本思想、常见的LSH构造方法，如随机投影和稳定分布，以及如何通过多个哈希表提高检索召回率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

图像检索其基本定义为给定的一个包含个图像数据集，每个图像可以用一个维的特征向量来描述，因此整个图像数据集就映射为维空间的个点，在此维空间中用一个相似度度量函数来测量两个图像点之间的距离，对于任意给定的查询点，需要设计一个数据结构，来快速的返回距离最近(Nearest Neighbor)的图像点(或者Ranking的多个点)。

当较小时(10-20),可采用如的结构，但当较大时(一个Discriminative的图像描述向量通常成百上千甚至万维)，其查询时间将随指数级增长，这就是通常所说的维数灾难"the curse of dimensionality", 同时较大时，其所需的存储空间也变的intolerable。因此降维和Approximation NN算法通常会用到当前的检索系统中，ANN搜索就是对于给定的查询点，若数据集中存在点距其小于距离，允许系统返回点，where，则称为搜索。